矿产潜力建模（MPM）是探索经济学的基础，然而大多数操作流程简化为基于数据的分类器，这些分类器仅训练于浅层表面代理。此类模型对实际定位矿石的地下物理现象，如热对流、流体流动和依赖于岩石类型的沉淀，视而不见。我们提出了 Korzhinskii-Net，这是一种 2D 径向物理信息神经网络（PINN），将达西流、对流-扩散热传输和软正饱和反应速率结合为一个可微分的前向模型，并通过地表和遥感代理进行弱监督。
该网络以 Dmitri S. Korzhinskii（1899-1985）命名，他的渗透变质理论为该模型提供了物理支撑。我们在五个矿区（Norilsk（Ni-Cu-PGE）、Pechenga（Ni-Cu 硫化物）、Udokan（砂岩宿主铜）、Sukhoi Log（造山金）和 Mirny（金伯利钻石））上评估了 Korzhinskii-Net，并在公平的、控制泄漏的 5-fold 交叉验证协议下进行评估，使用了严格的环形负样本。结果显示，Korzhinskii-Net 的平均 PR-AUC 达到 0.885，而最强的经典基准（梯度提升）的平均 PR-AUC 仅为 0.281，平均分数排名为 0.019，相较于 0.413 的基准结果。这一改进在所有五个矿区和四个商品系统中均表现一致，表明即使仅通过全球开放数据代理进行约束，物理信息可微分模拟器也能恢复纯特征学习者系统性遗漏的定位模式。我们将完整的管道和评估工具作为开源项目发布。
博主点评： Korzhinskii-Net 通过将物理模型与神经网络结合，为矿产探测带来了新的视角，显示出物理信息模型在实际应用中的巨大潜力。其开源特性也为后续研究提供了良好的基础，值得关注。